論文の概要: Interpretable Preference-based Reinforcement Learning with
Tree-Structured Reward Functions
- arxiv url: http://arxiv.org/abs/2112.11230v1
- Date: Mon, 20 Dec 2021 09:53:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 13:20:24.288810
- Title: Interpretable Preference-based Reinforcement Learning with
Tree-Structured Reward Functions
- Title（参考訳）: 木構造リワード関数を用いた予測型強化学習
- Authors: Tom Bewley, Freddy Lecue
- Abstract要約: 本稿では,木の構造を内在的に解釈して報酬関数を構成するオンライン能動的選好学習アルゴリズムを提案する。
いくつかの環境において,木構造報酬関数のサンプル効率学習を実演し,改良された解釈可能性を活用して,アライメントの探索とデバッグを行う。
- 参考スコア（独自算出の注目度）: 2.741266294612776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The potential of reinforcement learning (RL) to deliver aligned and
performant agents is partially bottlenecked by the reward engineering problem.
One alternative to heuristic trial-and-error is preference-based RL (PbRL),
where a reward function is inferred from sparse human feedback. However, prior
PbRL methods lack interpretability of the learned reward structure, which
hampers the ability to assess robustness and alignment. We propose an online,
active preference learning algorithm that constructs reward functions with the
intrinsically interpretable, compositional structure of a tree. Using both
synthetic and human-provided feedback, we demonstrate sample-efficient learning
of tree-structured reward functions in several environments, then harness the
enhanced interpretability to explore and debug for alignment.
- Abstract（参考訳）: 強化学習(RL)が整列剤を届ける可能性は、報酬工学の問題によって部分的にボトルネックとなる。
ヒューリスティックな試行錯誤の代替の1つは、ヒトの少ないフィードバックから報酬関数が推測される優先ベースのRL(PbRL)である。
しかし、以前のpbrl法は学習報酬構造の解釈可能性に欠けており、ロバスト性とアライメントを評価する能力が阻害される。
本稿では,木の構造を内在的に解釈して報酬関数を構成するオンライン能動的選好学習アルゴリズムを提案する。
合成フィードバックと人為フィードバックの両方を用いて,複数の環境における木構造報酬関数のサンプル効率の学習を実演し,改良された解釈可能性を利用してアライメントの探索とデバッグを行う。
関連論文リスト
- Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。
我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。
OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
論文 参考訳（メタデータ） (2024-06-12T08:31:34Z) - A Unified Linear Programming Framework for Offline Reward Learning from Human Demonstrations and Feedback [6.578074497549894]
Inverse Reinforcement Learning (IRL) と Reinforcement Learning from Human Feedback (RLHF) は報酬学習における重要な方法論である。
本稿では,オフライン報酬学習に適した新しい線形プログラミング(LP)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-20T23:59:26Z) - REBEL: Reward Regularization-Based Approach for Robotic Reinforcement Learning from Human Feedback [61.54791065013767]
報酬関数と人間の嗜好の相違は、現実世界で破滅的な結果をもたらす可能性がある。
近年の手法は、人間の嗜好から報酬関数を学習することで、不適応を緩和することを目的としている。
本稿では,ロボットRLHFフレームワークにおける報酬正規化の新たな概念を提案する。
論文 参考訳（メタデータ） (2023-12-22T04:56:37Z) - Deep Reinforcement Learning from Hierarchical Preference Design [99.46415116087259]
本稿では,特定の構造を利用することにより,報酬設計プロセスの容易性を示す。
シナリオのための階層的な報酬モデリングフレームワーク -- HERONを提案する。 (I) フィードバック信号は自然に階層構造を呈し、 (II) 報酬は希少であるが、政策学習を支援するためにあまり重要でないサロゲートフィードバックを持つ。
論文 参考訳（メタデータ） (2023-09-06T00:44:29Z) - Provable Reward-Agnostic Preference-Based Reinforcement Learning [61.39541986848391]
PbRL(Preference-based Reinforcement Learning)は、RLエージェントが、軌道上のペアワイドな嗜好に基づくフィードバックを用いてタスクを最適化することを学ぶパラダイムである。
本稿では,隠れた報酬関数の正確な学習を可能にする探索軌道を求める理論的報酬非依存PbRLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-29T15:00:09Z) - Learning Interpretable Models of Aircraft Handling Behaviour by
Reinforcement Learning from Human Feedback [12.858982225307809]
我々は、模擬飛行軌道に対するペアワイズ選好を用いて、報酬木と呼ばれる解釈可能なルールベースモデルを学習する。
我々はRLエージェントを訓練し、報奨木を目的とする高品質なハンドリング行動を実行する。
論文 参考訳（メタデータ） (2023-05-26T13:37:59Z) - Reward Learning with Trees: Methods and Evaluation [10.473362152378979]
選好ラベルから報奨木を学習する手法を提案する。
我々は、高次元課題に挑戦する上で、ニューラルネットワークと幅広い競争力を持つことを示します。
複雑な環境では、報酬ツリーの学習が効果的に行えることに気付いたので、なぜそれを使うべきかを考えました。
論文 参考訳（メタデータ） (2022-10-03T15:17:25Z) - Offline Reinforcement Learning with Differentiable Function
Approximation is Provably Efficient [65.08966446962845]
歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。
微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。
最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
論文 参考訳（メタデータ） (2022-10-03T07:59:42Z) - Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。
我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。
我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文 参考訳（メタデータ） (2021-10-18T17:56:02Z) - Measure Inducing Classification and Regression Trees for Functional Data [0.0]
機能的データ分析の文脈における分類と回帰問題に対する木に基づくアルゴリズムを提案する。
これは、制約付き凸最適化により重み付き汎函数 L2$ 空間を学習することで達成される。
論文 参考訳（メタデータ） (2020-10-30T18:49:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。